科学发现

数学家诺伯特·维纳被普遍视为控制论的创立者。1948年出版的《控制论》把反馈形式化，将动物与机器中的控制与通信视为同一个问题。

美国数学家、电气工程师，1948 年发表《通信的数学理论》，为通信工程奠定了数学基础。

C. E. Shannon 1948年的论文为通信建立了数学框架，以比特度量信息，提出信道容量与熵，并把消息视为从可能集合中选出的对象，而非语义内容。

把信息当作可以度量、编码和传输的量来研究的理论，奠基于香农 1948 年的论文；比特、熵与信道容量都是它给出的概念。

马克·雷伯特（Marc Raibert，1949年出生）是机器人研究者，造出了最早的自我平衡跳跃机器人，创办波士顿动力公司，现任波士顿动力人工智能研究院执行主任。

图灵测试是艾伦·图灵（Alan Turing）在1950年提出的一种替代方案：用一场游戏取代「机器能思考吗」这个问题——如果提问者分辨不出机器的书面回答与人的回答，机器就算通过。

A. L. Samuel 1959 年发表的论文，报告用跳棋进行的机器学习实验：程序只拿到游戏规则和一组符号、权重均未知的参数，在 8 到 10 小时的机器对弈时间里学会下棋，并胜过了写它的人。

DENDRAL 是斯坦福大学 1964 年启动的人工智能项目，用质谱数据和化学知识推断未知有机分子的结构，通常被称为第一个专家系统，后来的 MYCIN、PROSPECTOR 等都源于它。

《Perceptrons》是 Marvin Minsky 与 Seymour Papert 于 1969 年出版的著作，用数学证明划定单层感知机的计算边界，长期被认为影响了 20 世纪 70 年代神经网络研究的走向。

AI 寒冬指人工智能研究经费与关注度大幅收缩的时期；该领域经历过多轮炒作与失望的循环，其中两次大收缩通常被定在 1974 至 1980 年和 1987 至 2000 年。

John Hopfield 于 1982 年提出的循环神经网络，把模式存为能量函数的极小值，能从残缺或失真的输入回忆出完整模式，并让统计物理成为研究神经网络的常用工具。

John J. Hopfield 于 1982 年发表的论文，主张有用的计算能力可以作为大量简单等价单元的集体性质涌现出来，并给出一个模型：其集体行为带来内容寻址记忆、泛化与纠错等能力。

1982 年约翰·霍普菲尔德（John J. Hopfield）的论文提出，大量简单神经元式单元组成的网络能集体存储与取回记忆。该模型后来被称为霍普菲尔德网络，相关工作获 2024 年诺贝尔物理学奖肯定。

《并行分布式处理》是 Rumelhart、McClelland 与 PDP 研究组由 MIT Press 出版的两卷本著作，主张以大量简单单元的并行互联描述心智，是联结主义第二次浪潮的代表文献。

1986年，鲁梅尔哈特、辛顿和威廉姆斯在《Nature》上发表论文，证明反向传播能让多层网络中的隐藏单元学会任务的有用内部特征。如今，这一方法是大多数神经网络的标准做法。

模仿学习通过从专家示范中做监督学习来训练智能体完成任务，而不是靠反复试错。最基本的形式是行为克隆，最主要的弱点是分布偏移。

理查德·萨顿1988年的论文提出时序差分学习：用相邻两次预测之差分配信用的增量式预测方法，比传统方法更省内存、预测更准。

Rodney Brooks 在 1990 年的这篇论文中主张从底层出发造人工智能：把与环境持续进行的物理互动当作设计智能系统的主要约束，而不是沿用此前约三十年主导领域的抽象符号操作。

这篇 1992 年的论文由 Boser、Guyon 和 Vapnik 提出一种训练算法，最大化训练样本与决策边界之间的间隔，并在光学字符识别实验中检验其泛化表现。[^1]

美国宇航局的小型火星车，1997年7月4日随火星探路者号着陆火星，是太阳系中第一辆在另一颗行星上行驶的轮式车辆。

Sergey Brin 与 Lawrence Page 于 1998 年发表的会议论文，提出按指向网页的链接数量与质量排序的 PageRank 算法，并据此搭建了 Google 搜索引擎。

一个生成式概率模型，把每篇文档表示为对一组主题的有限混合，用变分近似推断与 EM 算法拟合，并在文档建模、文本分类和协同过滤上做了评测。

Stanley 是斯坦福大学团队改装的无人驾驶车辆，2005 年在 DARPA 沙漠挑战赛中以 6 小时 53 分完成 132 英里赛程，赢得 200 万美元奖金。

这篇2010年的论文分析深度前馈网络为何难以训练：S 型激活函数在随机初始化下容易饱和，各层雅可比矩阵的奇异值远离1时训练更难；作者据此提出一种收敛明显更快的新初始化方案。

总部位于伦敦的人工智能研究机构，2023 年由 DeepMind 与谷歌研究部门的 Brain 团队合并而成，以 AlphaGo、AlphaFold 和 Gemini 系列模型闻名。

这篇论文用逐像素分类的方法，从单幅深度图像直接得到三维关节点位置，不使用时间信息，在消费级硬件上达到每秒 200 帧，获 CVPR 2011 最佳论文。

2011 年 Glorot、Bordes 与 Bengio 的论文，报告由整流神经元构成的深度网络性能不逊于 tanh 网络，并且在标注数据充足的纯监督任务上无需无监督预训练即可达到最佳表现。

斯坦福工程学院的免费在线课程「人工智能导论」，2011年10月10日开课，由 Sebastian Thrun 与 Peter Norvig 联合讲授，吸引了来自190多个国家的16万名学生。

Adam 是 Diederik P. Kingma 与 Jimmy Ba 在 2014 年论文中提出的随机优化算法：用梯度一阶矩与二阶矩的滑动估计为每个参数自适应地确定步长，内存开销小、超参数通常无需太多调整。

2015年，LeCun、Bengio 与 Hinton 在《自然》发表综述，说明多个处理层组成的模型如何学习分层数据表示，并梳理语音、图像等领域的成果。

DeepMind 的 AlphaGo Zero 从随机落子开始，只靠自我对弈学会围棋，训练三天便以 100 比 0 击败此前击败人类冠军的 AlphaGo 版本。相关论文于 2017 年 10 月发表在《自然》。

Isomorphic Labs 是从 DeepMind 分出的 AI 药物研发公司，自称起点为 2021 年，开发 IsoDDE 平台，并与诺华、礼来、强生等药企合作。

RoseTTAFold 是贝克实验室 2021 年发表的三轨神经网络蛋白质结构预测方法，在 CASP14 上精度接近 AlphaFold2，能仅凭序列预测蛋白质复合物，代码公开并配有公共服务器。

Nature 论文介绍了 AlphaFold 用于蛋白质结构预测的方法、系统设计和评估。

AlphaFold 3 于2024年5月发表于《自然》，把结构预测扩展到生物分子相互作用，在蛋白质—配体结合上准确率高于对接工具，抗体—抗原预测高于 AlphaFold-Multimer v.2.3。

AlphaFold 3 是 DeepMind 于 2024 年 5 月发布的结构预测模型，可预测蛋白质、DNA、RNA、配体等分子的结构与相互作用。[^1]

ESM3 是 EvolutionaryScale 于 2024 年 6 月发布的蛋白质生成模型，能同时依据序列、结构和功能进行推理，并生成了与已知荧光蛋白相距约 5 亿年演化距离的新蛋白。

OpenAI o1 是 OpenAI 推出的首个推理模型系列，发布于 2024 年 9 月。它在回答前会进行较长的内部思维链（chain of thought）推理，之后的 o3 等推理模型都以它为基础。

OpenAI 的第二代推理模型，2024 年 12 月公布、2025 年 4 月发布，在科学、软件工程与编程竞赛基准上大幅超过 o1，之后由 GPT-5 接替。

Claude Fable 5 于 2026 年 6 月 9 日发布，是 Anthropic 首个面向普通用户的 Mythos 级模型。同系列的 Claude Mythos 5 为审核通过的用户放宽了部分安全限制。

强化学习是机器学习与最优控制的一个分支：智能体在动态环境中通过试错，学习怎样的动作能让奖励信号最大化。

姚期智是从上海出生的计算机科学家，因对计算理论的根本性贡献获2000年图灵奖，后来在清华大学创办姚班与交叉信息研究院。

ImageNet 是按 WordNet 概念体系组织的大型分层图像数据库，2009 年在普林斯顿大学发布，含 21841 个类别、超过 1400 万张图像及边界框标注，其 1000 类子集被 ILSVRC 挑战赛采用。

华盛顿大学是美国的公立大学，1861 年建校，在西雅图、博塞尔和塔科马设有校区，并设有医学中心；校方称其联邦科研经费多于任何美国公立大学。

出生于柏林的美籍计算机科学家，写出了能与使用者进行文字对话的早期程序 ELIZA，后来又出版了一部影响广泛的对人工智能的批评著作。

美国物理学家，1933 年出生，1982 年提出用自旋物理思想存储和重现图案的霍普菲尔德网络，并获得 2024 年诺贝尔物理学奖的一半。

大卫·鲁梅尔哈特（David Rumelhart，1942–2011）是美国认知心理学家，他 1986 年与同事的工作，推动了反向传播和神经网络模型的传播。

澳大利亚出生的机器人学家罗德尼·布鲁克斯提出包容架构，推动行为主义机器人研究，曾任 MIT 人工智能实验室与 CSAIL 主任，并联合创办 iRobot 等公司。

DARPA 是美国国防部下属的研究机构，1958年成立，最初名为 ARPA。它把使命表述为「为国家安全创造并防止技术突袭」，并从2004年起以大奖赛的方式推动自动驾驶技术。

西雅图华盛顿大学的蛋白质科学家，以计算蛋白质设计闻名：2003年用计算方法设计出与自然界已知蛋白质都不相同的新蛋白质，并因此获得2024年诺贝尔化学奖的一半。

计算语言学协会（ACL）是自然语言处理领域的科学专业组织，1962 年成立，主办该领域最有影响力的会议之一，并出版期刊《计算语言学》。

1966年1月，Joseph Weizenbaum 发表论文，介绍在 MIT 的 MAC 分时系统上运行的 ELIZA：它用关键词触发的分解规则和重组规则，实现某些人机自然语言对话。

国际人工智能联合会议（IJCAI）是1969年在加利福尼亚州为科学与教育目的设立的非营利法人，主办IJCAI系列会议（1969年起奇数年两年一届，2015年起每年一届），并出版期刊与会议论文集。

戴密斯·哈萨比斯（Demis Hassabis）是英国 AI 研究者和创业者，DeepMind 联合创始人。他于 2024 年与人共享诺贝尔化学奖，表彰蛋白质结构预测方面的工作。

国际机器学习会议（ICML）是每年举办一次的机器学习学术会议，自1980年起持续召开，由国际机器学习学会主办，是该领域历史最悠久的会议，也是影响力最大的三个主要会议之一。

玻尔兹曼机是一种用全局能量给每种网络配置打分、并用随机学习算法训练的神经网络。它由杰弗里·辛顿与特里·塞诺夫斯基提出，把能量模型带进了认知科学与机器学习。

1985年，Ackley、Hinton 与 Sejnowski 在《Cognitive Science》发表论文，提出一种修改连接强度的通用学习规则，并用简单例子展示网络能从样本中形成结构高效的内部表示。

美国科学家，1985 年生，在 Google DeepMind 参与开发 AlphaFold，因蛋白质结构预测与德米斯·哈萨比斯共同分享 2024 年诺贝尔化学奖的一半。

NETtalk 是 Terrence Sejnowski 与 Charles Rosenberg 构建的人工神经网络，学会把英文文本转换成音素并合成可听的语音，说明只靠样例训练的网络也能泛化到没见过的单词。

神经信息处理系统大会（NeurIPS）是每年 12 月举行的机器学习与计算神经科学会议，1987 年创办，被视为人工智能研究中影响最大的会议之一。

PC Therapist 是约瑟夫·温特劳布（Joseph Weintraub）编写的对话程序；其修改版在 1991 年首届 Loebner Prize Competition 中获胜，让 10 位评审中的 5 位以为它是人。

Gerald Tesauro 1992 年的论文以自对弈西洋双陆棋为案例，检验时序差分学习能否解决复杂现实任务。

切尔西·芬是斯坦福大学助理教授，研究元学习、深度强化学习与机器人感知控制的一体化学习，也是 Physical Intelligence 的联合创始人。

C4.5 是一个机器学习系统，能从已知类别的案例中生成决策树或 if-then 规则。J. Ross Quinlan 1993 年的书完整介绍了它的 C/UNIX 实现、源代码和使用方法。

美国宇航局（NASA）的火星探路者号着陆器于 1997 年 7 月 4 日着陆，放出小车「索杰纳」，首次使用气囊着陆技术，并传回数千张火星表面图像。

Brin 和 Page 的 PageRank 技术报告把超链接当作引用，用链接结构为网页排序，并用于构建 Google 搜索引擎；它是描述两人早期工作的两篇被高度引用论文之一。

主题模型把文档表示为主题的混合，用潜在主题为文本集合提供紧凑的统计描述；2003 年的 Latent Dirichlet Allocation 论文将这一思想形式化为分层贝叶斯模型。

布罗德研究所是位于马萨诸塞州剑桥市的独立非营利研究机构，2004年在 Eli 与 Edythe Broad 的资助下成立，致力于弄清疾病的根源，并把生物学上的发现转化为对患者的影响。

联结时序分类（CTC）是一种训练循环神经网络为未切分序列（如语音、手写）打标签的方法，不需要逐帧对齐。它于 2006 年提出，用 CTC 训练的 LSTM 因此赢得了循环网络早期的国际竞赛。

深度神经网络声学建模用多层网络把语音映射为音素等单元。2010 年 NIPS 论文用深度信念网络与均值-协方差 RBM 提取语音特征，在 TIMIT 上取得 20.5% 音素错误率。

Xavier（Glorot）初始化是 Glorot 与 Bengio 在 2010 年提出的权重初始化方法，按层规模设定初始权重尺度，使信号稳定传播，让深层网络收敛更快。

2010年 NIPS 论文，Dahl、Ranzato、Mohamed 和 Hinton 将深度信念网络与均值-协方差受限玻尔兹曼机用于声学建模，在说话人无关 TIMIT 音素识别上达到20.5%音素错误率。

2011 年《机器学习研究杂志》论文提出一套统一的神经网络架构与学习算法，以大量无标注语料学习表示，用极少任务专用工程完成词性标注、组块分析、命名实体识别和语义角色标注。

Robonaut 2 是 NASA 与通用汽车合作研制的人形机器人，2011 年前往国际空间站，用于研究灵巧机器人在太空中的表现，2014 年加装双腿以便在站内移动。

ICLR 是每年4月下旬或5月初举行的机器学习会议，由 Yann LeCun 和 Yoshua Bengio 于2012年创办，以公开同行评审著称。

这是华盛顿大学的一家研究机构，2012 年成立，由 David Baker 领导，设计用于医学和技术的新蛋白质；其实验室产出了 RoseTTAFold，并称做出世界首个计算设计的疫苗。

好奇号（Curiosity）是美国宇航局的火星车，2012年8月在盖尔撞击坑着陆，携带的科学载荷远大于此前的火星车，着陆时用空中吊车把自己放到轮子上。

2012年发表于 IEEE Signal Processing Magazine 的文章，汇集四个研究组的共同观点，说明用深度神经网络替代高斯混合模型做语音识别声学建模，在多项基准上效果更好。

2013年论文提出连续 Skip-gram 等高效学习词与短语分布式向量表示的方法，并给出提升向量质量与训练速度的扩展。

Recursion 是一家把自动化实验与计算结合的药物发现公司，平台 Recursion OS 覆盖从靶点识别到临床试验入组。公司 2021 年在纳斯达克上市。

英矽智能是一家 2014 年在美国成立的药物研发公司，把 AI 软件平台 Pharma.AI 与自研药物管线和自动化实验室结合起来。

保罗·艾伦于2014年创办的非营利人工智能研究机构，总部在西雅图，以 Semantic Scholar 学术搜索和公开训练数据、代码与中间检查点的 OLMo 系列开放语言模型闻名。

2014 年的一篇论文提出 Dropout：训练时随机丢弃神经元，让大型神经网络不易过拟合，并在视觉、语音等领域的多项基准上取得当时最好的结果。

2014年的一篇论文提出端到端深度学习语音识别系统，省去手工设计的噪声模块和音素词典，依靠多GPU训练的循环网络与合成数据。

2015 年 Sergey Ioffe 与 Christian Szegedy 提出的方法：对每一层的输入按训练小批量做归一化，从而可以用更大的学习率、更随意的初始化，并大幅加快深度网络的训练。

论文分析残差块中的信号传播：用恒等映射作跳跃连接、激活放在相加之后，信号就能在任意两个块之间直接传递；新提出的残差单元更易训练，1001 层网络在 CIFAR-10 上错误率 4.62%。

mixup 是 2017 年一篇论文提出的训练原则：把两个样本及其标签按同一比例混合成新样本训练神经网络，在图像、语音和表格数据上提升了模型的泛化能力。

2017 年挂在 arXiv、后于 Science 发表的论文：同一个自我对弈强化学习算法 AlphaZero 学会了国际象棋、将棋和围棋，并在三种棋里都战胜了强力的专门程序。

2018 年的论文用神经网络参数化隐藏状态的导数，取代固定层序列，输出由微分方程求解器算出，得到常数内存开销的连续深度模型。[^1]

DeepMind 研发的第一代蛋白质结构预测系统，2018 年在 CASP13 盲测中综合排名第一，做法是估计残基间距离的概率分布，而不只依赖接触图。

穆罕默德·本·扎耶德人工智能大学（MBZUAI）位于阿布扎比，2019 年成立，2021 年迎来首批研究生。校内设基础模型研究所，开发 K2、Jais 与 PAN 等模型。

MuZero 是 DeepMind 提出的强化学习算法，它自己学出一个环境模型，并在该模型中做规划，在不被告知规则的情况下掌握了 Atari、围棋、国际象棋和将棋。

AlphaFold2 是 DeepMind 于 2020 年公布的蛋白质结构预测系统，在多数情况下达到与实验结构相当的精度；相关领域的工作获得 2024 年诺贝尔化学奖的一半奖项。

AMD 的数据中心 GPU 加速器，于 2021 年 11 月 8 日发布，基于 CDNA 2 架构，拥有 220 个计算单元和 128 GB HBM2e 显存，双精度算力突出，同时支持低精度 AI 格式。

2022 年发表于 Nature 的一篇论文，Degrave、Felici 等人用深度强化学习让控制器自主学会给托卡马克的全部磁控制线圈下指令，产生并维持了多种等离子体位形。

GraphCast 是一个基于图神经网络的全球天气模型，用四十年的再分析资料训练，能在不到一分钟内给出 0.25 度分辨率、未来 10 天的全球预报，并在多数检验指标上超过当时最准确的业务确定性预报系统。

盘古气象大模型是用三维深度网络做全球中期天气预报的模型，论文于2023年发表在《自然》；在再分析数据上，它在所有测试变量上的确定性预报都强于欧洲中期天气预报中心的业务系统。

GPQA 是包含 448 道选择题的问答基准，题目由生物学、物理学和化学专家撰写，设计成熟练非专家靠上网也答不出；基于 GPT-4 的最强基线正确率只有 39%，而同领域专家达到 65%。

2023 年发表于《自然》的一篇论文，报告了一套用于材料发现的规模化深度学习方案：预测出 220 万个位于凸包之下的结构，并把稳定性预测的成功率从约 50% 提升到 80%。

METR 是位于加州伯克利的非营利研究机构，评估前沿 AI 模型的长周期智能体能力，发布能力指标与事件调查，并与开发者合作开展部署前评估和保障措施。

FunSearch 是一种把预训练大语言模型放进进化循环、去搜索「解题程序」而不是「答案」的方法，在 cap set 问题与在线装箱问题上给出了超越已知基线的新结果。

一家以「理解生物学」为使命的公益型 AI 公司，2024 年 6 月随模型 ESM3 一同亮相，2025 年 11 月其团队加入 Biohub。

FrontierMath 是由 Epoch AI 推出的数学基准，包含数百道由专家数学家撰写与审核的原创高难度题目，用来考察 AI 的高级数学推理能力。发布时，最先进的模型解出的题目不足 2%。[^1][^2]

深度研究是 OpenAI 于 2025 年 2 月 2 日推出的 ChatGPT 研究代理，基于 o3 的一个版本，能检索网络资料并整理成研究报告。

AlphaEvolve 是 Google DeepMind 于 2025 年 5 月 14 日发布的进化式编程智能体，用 Gemini 模型配合自动评估器发现和优化算法，成果包括 Borg 调度启发式、更快的算子与新的数学结果。

Aurora 是一个面向地球系统的基础模型，用超过 100 万小时的地球物理数据训练，在天气、空气质量、海浪和热带气旋路径预报上优于业务预报，计算成本低几个数量级。

Gemini 2.5 Pro 的一种增强推理模式，会在作答前并行展开多个假设并加以比较，2025 年以实验形式发布，并因在国际数学奥林匹克中达到金牌水平而受到关注。

DeepSeekMath-V2 于 2025 年 11 月 27 日发布，是一个能够验证自身证明的数学推理模型，报告在 IMO 2025 题目上达到金牌水平。

Gemini 3 Deep Think 是 Gemini 3 的增强推理模式，2025 年 12 月向订阅用户开放，2026 年 2 月推出升级版。

Claude Opus 5 于 2026 年 7 月 24 日发布，定价与 Opus 4.8 相同。Anthropic 称它是迄今最符合对齐目标的模型，也是公司对外提供的最强科研模型。

Claude Fable 5.1 于 2026 年 9 月 1 日发布，价格与 Fable 5 相同，缓存读取便宜 75%。同系列的 Mythos 5.1 仅限认证计划使用。

伊恩·古德费洛是 2014 年提出生成对抗网络的论文第一作者，该方法让生成器与判别器互相对抗训练。他先后任职于 OpenAI、Google Brain 和 Apple。

Nomad 是卡内基梅隆大学机器人研究所用 NASA 经费研制的四轮行星漫游车原型，在南极冰面上自主行驶、寻找陨石，检验机器人能否自己选择目标并完成分析。

Chinook 是由 Jonathan Schaeffer 及其同事开发的西洋跳棋计算机程序 [^1]。它成为首个在任何游戏中赢得人类世界冠军的计算机程序，完成后的版本无法被击败 [^1]。

RoboCup 联合会是国际机器人足球计划与赛事的主办机构，该计划的目标被设定为研发能战胜人类世界杯冠军队的机器人球员。

Epoch AI 的基准测试中心汇集领先 AI 模型的基准成绩，包括其自行开展的评测，并用 Epoch Capabilities Index 将多项分数合并为单一通用能力量表。

美国电气工程师，编写了最早的跳棋程序之一，并在1959年的论文中提出「机器学习」一词。

技术创新研究院（TII）是阿布扎比政府先进技术研究委员会下属的研究机构，研究覆盖十个技术领域，并开发 Falcon 系列语言模型，公开发布模型权重、技术报告和自定义许可。

阿尔伯塔大学的计算机科学系是 Chinook 跳棋项目的机构所在地，也是长期用棋类游戏检验人工智能想法的地方，培养了一批相关研究者。

谢尔盖·莱文（Sergey Levine）是研究机器人如何从数据中学习控制行为的计算机科学家。他是加州大学伯克利分校教授，也是 Physical Intelligence 的联合创始人。

伦敦大学学院（UCL）是伦敦市中心的公立研究型大学。辛顿曾任其 Gatsby 计算神经科学研究所创始主任，哈萨比斯曾在该所做博士后，后来联合创办 DeepMind。

洛桑联邦理工学院是瑞士的一所理工科大学，1853 年建校，1969 年改为现名，以教学、研究和创新为三大使命。

一个面向计算领域教育者、研究者和从业者的学会，1947 年在哥伦比亚大学成立，总部设在纽约，拥有近 11 万名会员，图灵奖也由其设立。

霍华德·休斯医学研究所是1953年成立的私立生物医学研究机构，资助各职业阶段的科学家，并运营贾内利亚研究园区。

国际能源署是设在巴黎的政府间组织，1974 年为应对石油供应中断而成立。它每年发布《世界能源展望》，并从 2024 年起开展能源与人工智能方面的工作。

AAAI 是成立于 1979 年的国际性人工智能科学协会，主办被视为领域顶级会议之一的 AAAI 年会，并自 1980 年起持续出版杂志。

UCI 字母识别数据集收录了 2 万个经过随机变形的英文大写字母图像，每张图被压缩成 16 个整数属性，用来在 26 类识别任务上检验分类算法。

2000年以「奇点人工智能研究所」之名创立的加州非营利机构，最早把人工智能风险当作技术问题研究，如今主张在対齐问题解决之前停止研发比人更聪明的AI。

图神经网络是为图结构数据设计的一类神经网络，节点之间通过传递消息更新各自的表示。自2009年这一模型被正式提出以来，它已成为图上学习的常用方法。

2013 年的论文提出 maxout 单元：输出取一组输入中的最大值，专为配合 dropout 设计，并在四个图像分类基准上取得当时最好的结果。

Graves、Mohamed 与 Hinton 于 2013 年发表的论文，考察用深度循环神经网络做语音识别，主张借助连接时序分类等方法实现端到端的序列训练。

组归一化是 Yuxin Wu 与 Kaiming He 在 2018 年提出的方法：把通道分组后组内计算均值和方差，不依赖批大小，以缓解批归一化在小批量下的问题。

Epoch AI 是一家以数据为先的研究型非营利机构，研究人工智能的未来；它以系统追踪 AI 训练算力趋势、维护硬件与算力数据库、开展独立模型评测并推出 FrontierMath 基准而为人所知。

人工智能安全中心（CAIS）是2022年在旧金山成立的美国非营利组织，从事 AI 安全研究、培养安全研究者并推动安全标准，曾发起由数百名业界人士签署的 AI 灭绝风险声明。

Galactica 是 Meta AI 与 Papers with Code 于 2022 年 11 月推出的科学大语言模型。上线约三天后，Meta 撤下了公开演示，但模型仍向研究者开放。

2022 年 12 月与 2023 年 5 月两篇 arXiv 论文提出的医学问答语言模型，第一篇同时提出 MultiMedQA 基准，Med-PaLM 2 在 MedQA 上最高达到 86.5%。

Pythia 是 EleutherAI 发布的一套 16 个开源语言模型，规模从 7000 万到 120 亿参数，全部用同一份数据、按同样的顺序训练，每次训练公开 154 个检查点。

GraphCast 是 Google DeepMind 的机器学习天气预报模型，能在单台 TPU 上不到一分钟生成 10 天全球预报，并在多数测试变量上优于 ECMWF 的 HRES。

GNoME 是 Google DeepMind 于 2023 年 11 月 29 日公布的深度学习工具，用于预测新型无机晶体；它给出 220 万个候选晶体，其中 38 万个被预测为最稳定。

AlphaGeometry 是 Google DeepMind 开发的几何解题系统，把神经语言模型与符号推演引擎结合在一起，在一组 30 道奥赛几何题上达到接近人类金牌选手的水平。

DeepSeekMath 是 2024 年发布的开源数学模型，参数规模 7B，不用外部工具就在竞赛级 MATH 基准上取得 51.7% 的成绩，并提出比 PPO 更省显存的强化学习算法 GRPO。

AlphaProof 是 Google DeepMind 研发的强化学习系统，能在 Lean 形式语言中证明数学命题。在 2024 年国际数学奥林匹克中解出三道题，与 AlphaGeometry 2 合计达到银牌水平。

OpenAI o1 的一个版本，回答前投入更多算力思考；2024 年 12 月随每月 200 美元的 ChatGPT Pro 套餐推出，2025 年 3 月进入 API。

DeepSeek 发布的 Lean 4 形式化定理证明开源模型，用子目标分解流程构造训练数据，在 MiniF2F-test 上通过率达 88.9%，并提出 ProverBench 基准。

o3-pro 是 OpenAI 于 2025 年 6 月 10 日发布的 o3 版本，被其称为当时能力最强的模型，适合可靠性比速度更重要的难题。

卡罗尔·豪斯曼是研究机器人学习与具身智能的机器人学家，曾任 Google Brain 与 Google DeepMind 高级研究科学家，并共同创办 Physical Intelligence。

一家以计算化分子设计为重点的 AI 制药公司，在伦敦和牛津设有站点；2024 年 11 月成为 Recursion 的全资子公司，合并后管线含 10 多个临床与临床前项目。

甘利俊一（1936 年生）是日本数理工程学家，创立信息几何学，并为机器学习与神经网络奠定理论基础，获 2025 年京都奖先进技术领域奖项。

Redwood Research 是一家 AI 安全研究机构，与 Anthropic 等一同署名发表过关于语言模型欺骗行为的研究，涉及「潜伏代理」后门、对齐伪装，以及 AI 控制协议。

Apollo Research 是一家研究机构，专注于先进人工智能系统暗中追求错位目标——即「谋划」——的风险，并对前沿模型开展相关评估。

阿姆农·沙舒亚是 Mobileye 的创始人，把在希伯来大学的计算机视觉研究做成了单摄像头车辆识别系统；2017 年英特尔收购后，他出任公司首席执行官。

XRCE 计算机视觉团队参加 ImageNet 挑战赛，2011 年凭高维图像签名、乘积量化与线性 SVM 赢得分类任务；其 Fisher 向量方法在 2010 至 2014 年持续表现强劲。

Mathstral 是 Mistral AI 于 2024 年 7 月 16 日发布的 70 亿参数数学模型，基于 Mistral 7B 构建，专攻数学与 STEM 推理，以 apache-2.0 许可开放权重，现已被列为弃用模型。